세션 기반 생성적 추천 시스템: SessionRec의 등장

Lei Huang 등 연구진이 개발한 SessionRec은 기존의 아이템 단위 예측 방식의 한계를 극복하고 세션 단위 예측을 통해 사용자의 다양한 관심사를 더욱 정확하게 파악하는 새로운 생성적 순차 추천 시스템입니다. 계층적 시퀀스 집계, 세션 기반 예측 목표, 순위 손실 함수 도입 등을 통해 효율성과 정확성을 높였으며, 대규모 언어 모델과 유사한 확장성을 보이는 것이 특징입니다.

SessionRec: 다음 세션 예측 패러다임을 통한 생성적 순차 추천의 혁신

최근 몇 년 동안 개인 맞춤형 추천 시스템은 급속도로 발전해왔지만, 기존의 아이템 단위 예측 방식(NIPP)은 실제 사용자의 세션 기반 상호작용을 충분히 반영하지 못하는 한계를 가지고 있었습니다. Lei Huang 등 10명의 연구진이 발표한 논문 "SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation" 은 이러한 한계를 극복하기 위해 획기적인 다음 세션 예측 패러다임(NSPP) 인 SessionRec을 제시합니다.

SessionRec의 핵심:

SessionRec은 기존의 아이템 단위 예측이 아닌, 사용자의 실제 행동 패턴인 세션 단위 예측에 초점을 맞춥니다. 이는 사용자의 여러 아이템에 대한 상호작용을 하나의 세션으로 묶어서 분석함으로써, 사용자의 의도와 관심사를 더욱 정확하게 파악할 수 있도록 합니다.

• 계층적 시퀀스 집계: 세션 내부(intra-session) 및 세션 간(inter-session) 상호작용을 효과적으로 모델링하여 세션 인식 표현 학습을 수행합니다. 이를 통해 연산 복잡도를 줄이고 방대한 양의 음성적 상호작용을 암묵적으로 모델링할 수 있습니다.

• 세션 기반 예측 목표: 다음 세션에서의 다중 아이템 추천을 통해 사용자의 다양한 관심사를 포착합니다. 단순히 다음 아이템만 예측하는 것이 아니라, 사용자가 다음 세션에서 어떤 종류의 아이템들을 선호할지를 예측하는 것입니다.

• 순위 손실 함수: 세션 내 아이템의 순위를 고려하는 손실 함수를 도입하여 생성적 시퀀스 추천 모델의 순위 예측 정확도를 향상시켰습니다.

• 확장성 검증: SessionRec은 대규모 언어 모델(LLM)과 유사한 Power-law scaling 법칙을 따르는 것으로 확인되어, 확장성이 뛰어남을 보여줍니다.

실험 결과 및 결론:

공개 데이터셋과 메이투안 앱의 온라인 A/B 테스트를 통해 SessionRec의 효과가 실증적으로 입증되었습니다. 모델 독립적인 구조와 높은 연산 효율성 덕분에 SessionRec은 산업 규모의 생성적 추천 시스템 개발을 위한 새로운 기반을 마련할 것으로 기대됩니다. 이 연구는 단순히 새로운 알고리즘을 제시하는 것을 넘어, 추천 시스템 디자인에 대한 새로운 패러다임을 제시했다는 점에서 큰 의의를 가집니다. 향후 SessionRec이 다양한 분야의 추천 시스템에 적용되어 사용자 경험을 향상시킬 것으로 예상됩니다.